L3S Best Publication of the Quarter (Q4/2024 – Q1/2025)
Kategorie: Knowledge Graphs
Von der Entstehung bis zur Reife: Verwaltung von Wissensgraphen-Ökosystemen durch Lebenszyklen
Autoren: Sandra Geisler, Cinzia Cappiello, Irene Celino, David Chavez-Fraga, Anastasia Dimou, Ana Iglesias-Molina, Maurizio Lenzerini, Anisa Rula, Dylan Van Asschhe, Sascha Welten, Maria-Esther Vidal
Published in Proceedings of the VLDB Endowment, VLDB 2025 (Vision Paper)
Das Papier in Kürze:
Organisationen im Gesundheitswesen, in der Industrie und der wissenschaftlichen Forschung stehen vor der Herausforderung, Wissen angesichts ständig wachsender und sich verändernder Datenmengen korrekt, nachvollziehbar und verlässlich zu erstellen und stetig zu aktualisieren. Wir schlagen dazu Knowledge Graph Ecosystems (KGEs) vor – einen strukturierten Ansatz zur Organisation, Modellierung und Verwaltung von Wissensgraphen. Durch die Definition klarer Lebenszyklusprozesse ermöglichen wir Organisationen, Änderungen nachzuverfolgen, Daten zu validieren und zu kuratieren sowie nicht-monotones Wissen zu modellieren. Gleichzeitig schaffen wir die Grundlage für transparente und verlässliche KI-generierte Erkenntnisse. Dieser Ansatz ist besonders wichtig in Bereichen, in denen die Weiterentwicklung von Wissen direkte Auswirkungen auf Entscheidungsprozesse, Branchen und Richtlinien hat.
Welches Problem lösen Sie mit Ihrer Forschung?
Datenökosystemen mangelt es häufig an Rückverfolgbarkeit von Änderungen, effizienten Möglichkeiten zum Umgang mit Wissensevolution, sowie Erklärbarkeit der Daten. Wir präsentieren in dieser Arbeit die Formalisierung von Knowledge Graph Ecosystems (KGEs) und ein entsprechendes Lebenszyklusmodell, um eine transparente, strukturierte und dokumentierte Wissensevolution zu ermöglichen. Der Ansatz soll damit das Vertrauen in und die Verlässlichkeit von Entscheidungsprozessen in verschiedenen Domänen erhöhen – zum Beispiel im Gesundheitswesen, in der Industrie oder in der Forschung., evolution management, and explainability, making it difficult to track changes over time. Our research formalizes Knowledge Graph Ecosystems (KGEs) and their lifecycle framework, ensuring transparent, structured, and well-documented knowledge evolution. This approach enhances trust and reliability in decision-making across healthcare, industry, and scientific research.
Was ist neu an Ihrer Forschung?
Bisher fehlte eine Formalisierung von Knowledge Graph Ecosystems (KGEs). In unserem Konzept integrieren wir eine strukturierte Lebenszyklusverwaltung, um Rückverfolgbarkeit von Änderungen, Validierung und Erklärbarkeit von Wissen sicherzustellen – Aspekte, die in bestehenden Knowledge-Graph-Ansätzen meist vernachlässigt werden. Im Gegensatz zu traditionellen Knowledge Graphs, die auf statischer Wissensdarstellung basieren, erlaubt unser Ansatz eine kontinuierliche Weiterentwicklung des Wissens. Er unterstützt die Nachhaltung der Datenprovenienz, semantische Alignments und dynamische Interaktionen zwischen den Komponenten des Ökosystems. Zusätzlich führen wir einen neuen, lebenszyklusbasierte Ansatz ein, der systematische Prozesse für Wissensintegration, Qualitätssicherung und Interoperabilität definiert. Damit adressieren wir zentrale Herausforderungen in Gesundheit, Industrie und Wissenschaft und schaffen eine formale Grundlage für transparente, nachvollziehbare und skalierbare KI-gestützte Entscheidungsunterstützungssysteme. lifecycle-driven methodology that defines systematic processes for knowledge integration, quality assurance, and interoperability, addressing critical challenges in healthcare, industry, and scientific research. By providing a formal foundation for managing evolving knowledge, our work paves the way for more transparent, accountable, and scalable AI-driven decision-making systems.
Welche potenziellen Auswirkungen haben Ihre Ergebnisse?
Unsere Ansätze können Organisationen helfen, ihre wissensbasierten Ökosysteme effizienter und verlässlicher zu verwalten – im Gesundheitswesen, in der Industrie sowie in der Forschung. Durch die Einführung eines strukturierten, lebenszyklusgetriebenen Ansatzes für Knowledge Graph Ecosystems (KGEs) ermöglichen wir Rückverfolgbarkeit von Änderungen, Interoperabilität und Erklärbarkeit, sodass KI-generierte Erkenntnisse zuverlässig und transparent werden. Dies hat direkte Auswirkungen auf kritische Entscheidungsprozesse wie medizinische Diagnosen, regulatorische Vorgaben oder industrielle Automatisierung – Bereiche, in denen das Vertrauen in die verwendeten Daten essentiell ist. Darüber hinaus schaffen wir eine Grundlage für die Verbesserung von Datenqualität, Datenprovenienz und der dynamischen Wissensintegration und -evolution, wodurch sich Organisationen flexibel an neue Standards und regulatorische Anforderungen anpassen können. Letztlich legen unsere Ergebnisse den Grundstein für skalierbare, KI-gestützte Wissensmanagementsysteme.
Link zum Paper: https://rwth-aachen.sciebo.de/s/kE9SlaTaHvS4eq5
